论文部分内容阅读
为提高对滚动轴承早期故障识别的精确度,提出一种基于混合特征提取的故障分类模型。该模型利用类内紧致性和类间重叠性识别出次优特征组,作为增强K近邻分类器(EKNN)的输入,并以距离和密度双维度计算,得到最大平均分类精确度,进而输出最优早期故障特征组,对未知数据进行分类来检测故障。实验采集滚动轴承在低速运行下的早期故障声发射(AE)信号,对所提算法以及现有5种算法进行对比分析,验证了其对滚动轴承早期故障诊断具有更好的表现。